墨衍会员
·
AI 创作全网分发
墨衍智能分发
本文由作者通过墨衍一键同步至各平台
1分发平台
200+累计阅读
214平均单平台
已同步平台
优快云
微信公众号
微博
知乎
掘金
百家号
博客园
抖音
小红书
你的文章也可以这样分发
墨衍会员 ¥399起/年，写一次发全网
我也要
调制方式在地下通信信道的误码率性能对比及MATLAB实现
在地下通信系统中，选择合适的调制方式是非常关键的。BPSK、QPSK和QAM是常见的数字调制方式。它们各自具有优点和缺点，在不同的环境下会表现出不同的性能。为了比较它们在地下通信信道的误码率性能，我们可以用MATLAB进行模拟。
首先，我们需要生成随机二进制序列，并将其分组形成调制符号，然后将它们调制成数字信号，并通过添加高斯噪声模拟地下信道传播的影响。以下是MATLAB代码实现：
N=10^6; %模拟的比特数
Eb_N0_dB=-3:10; %信噪比范围
【误码率仿真】基于matlab 小波变换OFDM误码率仿真
其中，与传统的 OFDM 相比，小波变换 OFDM 在进行调制和解调时，使用的是小波变换函数。需要注意的是，由于小波变换函数将频域信号转换为时域信号，因此与传统 OFDM 不同，小波变换 OFDM 中的信号需要在时域上添加循环前缀。与传统的 OFDM 不同，小波变换 OFDM 使用小波函数作为基函数，而非正弦函数作为基函数，因此可以在保持子载波正交性的同时，让子载波之间的带宽变得更加均匀。在频域进行信号加权，然后进行小波逆变换，得到时域信号。在接收端进行信号接收，去掉循环前缀并进行小波变换得到频域信号。
QAM理论误码率仿真及MATLAB代码实现
QAM调制是一种在同一载波上进行的正交振幅多路复用技术，它利用正交的两个调制信号调制同一载波，从而使信号带宽得到充分利用，同时也提高了频谱效率。其中，假设QAM调制阶数为16，每比特能量为1，码元持续时间为1，信噪比范围从-10dB到20dB。本文将介绍基于MATLAB的QAM调制误码率理论分析与仿真。其中包括QAM调制的原理、误码率分析的理论基础、实现方法，以及相应的MATLAB代码实例。本文介绍了QAM调制原理、误码率分析理论基础，以及利用MATLAB实现QAM调制误码率仿真的方法。
【误码率仿真】基于matlab多径信道下OFDM通信系统误码率仿真【含Matlab源码 2078期】
多径信道下OFDM通信系统误码率仿真 完整的代码，方可运行；可提供运行操作视频！适合小白！
64QAM调制性能分析：AWGN与瑞利衰落信道的误码率对比
64-QAM（Quadrature Amplitude Modulation，正交幅度调制），是数字通信中的一种调制技术，能够高效地将数字信号映射到模拟信号载波上。从早期的二进制调制到现在的高级多进制调制，QAM技术一直随着通信需求的提升而进化。64-QAM因其在带宽效率和信噪比容忍度方面的优势，成为了现代无线通信和数字电视广播的常见选择。高斯白噪声（AWGN）信道是一种理想化的信道模型，用于模拟电子通信系统中遇到的随机噪声。
QPSK调制在5G信道下的误码率仿真分析
QPSK（Quadrature Phase Shift Keying）即四相位移键控，是一种数字调制技术，其核心思想是将数字信号的两比特信息映射到正交的两个载波上，从而通过四个相位差来区分不同的符号。QPSK技术在频谱利用率上比传统的BPSK（二进制相位移键控）高出一倍，同时通过合理的信号处理方式，可以保证通信系统的性能与可靠性。衰落信道模型考虑的是实际通信环境中的多径效应。
MATLAB仿真比较高斯白噪声信道下BPSK与QPSK调制信号的误码率
本文还有配套的精品资源，点击获取 简介：本项目通过MATLAB环境仿真分析BPSK和QPSK两种数字调制信号在高斯白噪声信道中的性能。项目涵盖了理论误码率的推导、实际仿真误差率的计算，并通过仿真结果比较理论与实际性能差异。同时，项目还包括了对信号生成、信道建模、噪声添加和解调算法的实现，以及误码率与信噪比之间关系的可视化展示，旨在深入理解数字调制、信道建模和通信系统的抗干扰...
基于 MATLAB 的 BPSK 在 AWGN 信道下误码率仿真与性能分析
本文基于MATLAB实现了BPSK调制在AWGN信道下的误码率仿真系统。系统生成10万比特随机序列，通过BPSK调制映射为±1信号，加入高斯白噪声后采用硬判决解调。仿真结果显示：随着信噪比(0-10dB)提升，误码率呈指数下降趋势，仿真结果与理论BER曲线(q函数计算)高度吻合。文章通过波形图、星座图和误码率曲线等多维度可视化，直观展示了BPSK的抗噪性能，验证了其在数字通信中的基准作用。核心代码片段展示了随机序列生成、BPSK调制映射和AWGN信道建模等关键实现步骤。
基于MATLAB的QPSK调制在AWGN和Rayleigh信道上的性能分析
QPSK（Quadrature Phase Shift Keying，四相位移键控）是一种数字调制技术，它通过改变信号的相位来携带信息。QPSK相较于BPSK（二进制相移键控）可实现更高的数据传输速率，因为其每个符号携带2位信息，能够在相同带宽下传输两倍的数据量。AWGN（Additive White Gaussian Noise）信道，即加性白高斯噪声信道，是最简单的信道模型。这种信道的特点在于它的噪声是加性的，即接收信号的噪声与原始发送信号无关。
基于MATLAB的无线通信误码率仿真,包括BPSK,QPSK,16QAM,64QAM以及自适应调制方式+含代码操作演示视频
基于MATLAB的无线通信误码率仿真,包括BPSK,QPSK,16QAM,64QAM以及自适应调制方式+含代码操作演示视频 运行注意事项：使用matlab2021a或者更高版本测试，运行里面的Runme.m文件，不要直接运行子函数文件。运行时注意matlab左侧的当前文件夹窗口必须是当前工程所在路径。具体可观看提供的操作录像视频跟着操作。
ABAP 7.40+新语法实战：用VALUE和REDUCE五分钟搞定复杂内表统计
本文详细介绍了ABAP 7.40+新语法中的VALUE和REDUCE操作符，如何高效处理复杂内表统计任务。通过实战案例展示，这些新语法能将代码量减少70%以上，显著提升开发效率和可读性，特别适合大数据量下的销售数据分析、分组统计等场景。
基于Playwright的雪球网股票情绪数据自动化采集实战
网络爬虫是自动化获取互联网公开数据的关键技术，其核心原理在于模拟浏览器行为或直接发送HTTP请求以解析网页内容。在金融科技与量化分析领域，实时、稳定的数据源具有极高的技术价值，能够为市场情绪分析、因子挖掘提供基础。面对采用动态加载、复杂反爬机制的现代单页应用，传统的请求库与Selenium方案在稳定性与隐蔽性上面临挑战。本文聚焦于利用Playwright这一现代浏览器自动化工具，通过模拟真实用户交互、监听网络请求，构建一个能够稳定采集雪球社区实时讨论热度的解决方案。该方案不仅解决了动态内容渲染问题，还通过请
Halcon手眼标定实战：九点标定法从入门到精通（附完整代码）
本文详细介绍了Halcon环境下九点标定法的完整实现流程，从基础概念到实战技巧，帮助开发者快速掌握手眼标定技术。通过精确采集图像坐标与机械坐标，计算仿射变换矩阵，实现相机与机械臂坐标系的精确映射，适用于工业自动化中的平面定位场景。
AUTOSAR BswM配置实战：手把手教你用Vector Davinci Configurator搭建第一个模式管理规则
本文详细介绍了如何使用Vector Davinci Configurator工具配置AUTOSAR BswM模块，实现车身控制ECU的模式管理规则。通过实战案例，从环境准备、核心概念梳理到具体配置步骤，包括ModeRequestPort、ModeCondition、Logical Expression和Rules的构建，帮助工程师快速掌握BswM配置技巧，提升汽车电子软件开发效率。
1️⃣ Coze智能体基础入门教学（2025年全新版本）
不妨设想一下，倘若我们能够打造出一个数字助手，它不但能精准洞悉我们的需求，更可以独立思索、学习以及付诸行动，这便是 AI Agent 的基础理念。它恰似计算机世界里的 “智慧精灵”，能够感知周遭环境、做出判断并采取行动。AI Agent 的发展之路精彩纷呈。它走过了三个重要阶段：起初，它犹如一个被规则束缚的机器人，只能按预设好的指令开展工作。接着，它学会运用统计学方法，通过分析数据来做决策，变得越发灵活。到如今，凭借深度学习技术，它已经能够像人类一样去学习复杂的任务了。
《YOLO11改进有效涨点》 专栏目录 | 目前已有100+篇内容，内含各种Head检测头、损失函数Loss、Backbone、Neck等创新点改进【持续更新】
YOLO11改进专栏目录，YOLO11改进目录
统信UOS丨开机无法进入系统 无法打开控制台访问权限，root账号被锁定（cannot open access to console, the root account is locked）
步骤四：分别打开文件发现Roota下的fstab就是我们要找的文件，打开查看Roota的属性发现其为挂载的磁盘nvme0n1p3。步骤三：按Win+E打开文件管理器在分区中查找/etc/fstab文件，发现Roota和Rootb下都有该文件。步骤二：按键盘Ctrl+Alt+F4，进入终端控制台，如下图所示输入startx回车，进入桌面。步骤一：找到UOS系统安装的U盘，选择U盘启动进入安装界面，如下图所示。步骤七：关机，拔出U盘，启动电脑，OK，问题解决。
YOLOv10有效涨点专栏目录 | 包含卷积、主干、检测头、注意力机制、Neck、二次创新、独家创新等上百种创新机制
Hello，各位读者们好本专栏自开设以来已经更新改进教程100余篇其中包含二次创新、独家创新多种改进方法，包含C2f、主干、检测头、注意力机制、Neck多种结构，也有损失函数和一些细节点上的创新。同时本人一些讲解视频和包含我所有创新的YOLOv10文档并不能在优快云上传，通过建立交流群的形式在内上传我完整的文件和视频我也会在群内不定期和大家交流回答大家问题。专栏介绍。
IMSL CNL 7.0.0 (x86-64)Crack
IMSL CNL 7.0.0 (x86-64)Crack intel的算法库破解文件，这是C++版本的破解文件
深度学习工具包 DeepLearningToolbox
深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[](https://bitdeli.com/free "Bitdeli Badge")
假人有限元模型
假人模型，车辆碰撞假人有限元模型，适合做乘员安全的研究者利用
SAP B1中文培訓教材_SDK
公司内部培训资料，对开发工具 ，DIAPI， UIAPI，Add-ON有详细解说
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
订阅专栏 解锁全文
664
扫一扫
